Damage Detection for a Cantilevered Steel I-Beam through Deep-Learning Methods: LSTM, Multivariate Time-Series Transformer, and LSTM-Based Autoencoder
Notice bibliographique
Résumé
The structural integrity of steel trusses and I-beams is of vital importance for preventing the potential collapse of steel bridges when subjected to extraordinary forces. Thus, identifying damage to I-beams, which cannot be noticed in typical inspections, based on their measured response, would enable early damage detection, and would trigger the necessary mitigation measures to restore the structural integrity of the bridge. This investigation built a vast database of structurally damaged cantilever I-beams, in which openings of various degrees and locations were placed along the beams to emulate reductions in stiffness. Both damaged and undamaged I-beams were modeled using Abaqus software, facilitated by Python scripting. Three deep-learning algorithms were trained, validated and tested with the healthy and damaged I-beam cases: long short-term memory (LSTM), a LSTM-based autoencoder, and multivariate time-series transformers (MTTs), for which the input data consisted of acceleration responses recorded at specific points on the top flange of both undamaged and damaged I-beams subjected to harmonic dynamic loads. To enhance adaptation for field monitoring data, random normal noise was introduced into the acceleration responses before running the machine learning (ML) damage identification algorithms. The three algorithms demonstrated exceptional ability to accurately distinguish between the damaged and the undamaged I-beams. Furthermore, the location of the damage on the beam was identified by the LSTM and MTT algorithms, which had the best accuracy for damage localization. Finally, a comparative analysis of the three algorithms was conducted to clarify the optimal quantity of data points required to attain reliable results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».